91̽»¨

"Partielle Differentialgleichungen (PDEs) sind ein leistungsstarkes mathematisches Werkzeug zur Beschreibung der grundlegenden Naturgesetze. Sie spielen eine entscheidende Rolle für das Verständnis unzähliger Phänomene, darunter wichtige moderne Forschungsbereiche wie die Dynamik von Algorithmen für maschinelles Lernen oder das Verhalten von Quantencomputern. Der Schwerpunkt meiner Forschung liegt darauf, sicherzustellen, dass diese Berechnungen sowohl genau als auch auf reale Probleme anwendbar sind.

Ein wichtiger Teil meiner Forschung befasst sich damit, wie Daten die Erklärungskraft von PDEs verbessern können. Ich arbeite an der Entwicklung eines einheitlichen mathematischen und algorithmischen Rahmens, der Daten und physikalische Modelle auf optimale Weise kombiniert. Das ultimative Ziel ist es, erklärbare, datengesteuerte Näherungen zu schaffen, die effizienter sind – weniger Daten erfordern als herkömmliche Black-Box-Methoden des maschinellen Lernens – und gleichzeitig die tiefen Erkenntnisse der Physik nutzen." 
Nähere Informationen unter

• Numerische Analyse partieller Differentialgleichungen
• Mathematische Grundlagen des wissenschaftlichen maschinellen Lernens
• Datenassimilation und inverse Probleme
• Hochdimensionale, nichtlineare Approximation
• Computational Optimal Transport
• Anwendungen (z. B. Hämodynamik, Epidemiologie, Umweltverschmutzung, 3D-Druck, Kernphysik)

• 2005-2011 Doppelmaster in Angewandter Mathematik und Kerntechnik (École Polytechnique, Frankreich, und Escuela Politécnica, Madrid)
• 2011-2014 Promotion in Angewandter Mathematik (Sorbonne-Universität)
• 2014–2015 Postdoktorandin (RWTH Aachen)
• 2015-2022 Assistenzprofessorin (Fachbereich Mathematik, Universität Paris-Dauphine, Frankreich)
• 2022-2025 Außerordentlicher Professorin (Fachbereich Mathematik, Technische Universität Eindhoven)
• seit September 2025 Professur für Computational Partial Differential Equations, Fachbereich Mathematik, Universität Wien